12、Tableau数据提取与融合实战指南

Tableau数据提取与融合实战指南

1. 数据提取

在使用Tableau进行数据分析时,数据提取是重要的第一步。

1.1 确保Tableau Online/Server有足够空间

在Tableau Online/Server中,为创建新的数据提取以及存储和刷新现有的Tableau数据提取分配足够的磁盘空间至关重要。通常,所需磁盘空间至少是数据提取大小的两到三倍。

1.2 刷新Tableau数据提取

当有可用的数据提取用于分析时,还需确保其定期更新,以获取最新数据。Tableau提供了多种刷新数据提取的方法:
- 本地刷新已发布的提取
1. 登录Tableau在线,点击“Data Sources”选项卡。
2. 查找要刷新的数据提取。
3. 下载该数据提取。
4. 在Tableau Desktop中,双击提取文件以打开数据提取。
5. 打开数据提取文件后,右键单击数据提取名称,选择“Extract | Refresh (Full)”。
6. 刷新完成后,右键单击数据提取,选择“Publish to Server”。
7. 当询问是否要覆盖现有数据提取时,点击“Yes”。
- 在Tableau Online中安排数据提取刷新
- 对于云数据源(如Salesforce),可在Tableau在线中使用调度作业进行刷新。
- 对于非云数据源,可使用Tableau Desktop命令行进行刷新。还可使用Windows Scheduler通过Tablea

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析仿真验证相结合。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值